基于高光譜的干旱區鹽漬化土壤鹽分含量估算

如則麥麥提·米吉提， 買買提·沙吾提， 麥爾耶姆·亞森， 馬春玥

(新疆大學資源與環境科學學院/新疆大學綠洲生態教育部重點實驗室，新疆烏魯木齊 830046)

土壤鹽漬化是土地退化的主要表現，灌溉引起的土壤次生鹽漬化成為限制干旱區農業經濟發展的因素之一，也是影響綠洲生態環境穩定與安全的重要因素[1]。鹽漬土是重要的耕地后備資源，及時獲取土壤鹽漬化信息，對于我國西北部干旱區的可持續發展至關重要[2-3]。遙感技術能宏觀、快速地提取地表時空信息，已成為動態監測土壤鹽漬化的新方法[4]。鹽漬化土壤的光譜反射特征是由土壤理化性質決定的，傳統遙感數據并不能完全反映土壤的光譜特征，而高光譜數據能夠提供鹽漬化土壤細微的光譜特征。光譜分辨率高、波段具有連續性強、光譜信息量大的優點。闡明土壤屬性與其高光譜的關系，成為高光譜遙感技術定量監測和提取土壤信息的重要方法，為實現大尺度、實時監測土壤提供了新途徑，使定量反演土壤鹽漬化狀況成為可能[5-12]。目前，國內外己有眾多學者對土壤鹽漬化的高光譜特征及定量、半定量做了大量的研究工作，Dehaan等觀測澳大利亞Murray-Darling盆地的鹽殼及重度、中度、輕度鹽漬土的光譜，發現這4類土壤在不同光譜波段有明顯的吸收作用[13]；Leone等應用實驗室光譜進行多元統計分析以評價土壤開發和土壤退化程度并建立預測模型[14-16]。劉慶生等分析了鹽分含量與上覆植被光譜的關系[17]。馬諾等通過野外調查以及實地測點，利用便攜式光譜儀測量研究區域內不同鹽漬程度的土壤光譜，分析土壤光譜曲線與土壤鹽漬程度之間的關系[18]。劉亞秋等利用熱紅外光譜儀建立了鹽分與鹽漬化土壤發射率一階導數模型[19]。彭杰等對野外高光譜數據與土壤含鹽量進行耦合分析并建立多元線性回歸建模，決定系數達到0.80[20]。丁建麗等利用高光譜數據建立的監測模型為提取鹽漬化土壤信息提供了依據[21]。

基于此，本研究以新疆維吾爾自治區渭干河-庫車河三角洲綠洲為研究區，利用57個表層土壤樣品的室內高光譜數據，并結合實測土壤含鹽量，研究15種數學變換處理在高光譜數據估算荒漠土壤含鹽量的可能性，并應用偏最小二乘回歸、主成分回歸、多元逐步線性回歸建立土壤含鹽量估算模型，以期為干旱區綠洲土壤鹽漬化的高精度遙感監測提供一種更為有效的手段。

1 材料與方法

1.1 研究區概況

胃干河-庫車河流域簡稱胃-庫綠洲，是位于我國西北部的典型干旱區綠洲。本地區行政上轄阿克蘇地區的庫車縣、沙雅縣、新河縣，地理坐標分別為80°37′～83°59′E，41°06′～41°40′N。綠洲北部跟天山南部接壤，南部延伸到塔克拉瑪干沙漠北緣。胃-庫綠洲是胃干河-庫車河長期沉淀形成的山前沖洪積扇平原，是塔里木盆地的主要綠洲及我國重要的產棉區之一。該綠洲位于中緯度地區，遠離海洋，氣候干燥，風沙頻繁，降水稀少，蒸發量大，晝夜溫差大，夏季干熱，冬季干冷。年均氣溫10.5～11.4 ℃，年降水50.5～66.5 mm，年均蒸發量2 000.7～2 092.0 mm，年均無霜期 240 d。土壤以輕壤和沙壤為最多，中壤、重壤、黏土有少量分布，土壤構成物顆粒細，透水性差。

1.2 數據采集

本研究于2016年4月中旬，在渭干河-庫車河綠洲進行野外調查，采集57個采樣點的土壤樣品，采樣點分布見圖1。每個點分3層取樣(0～10 cm、10～30 cm、30～50 cm)，共采集171個土樣。樣品在室內條件下自然風干，磨碎后過2 mm篩子。其中，每個樣品分為2份，1份樣品用于測定土壤，鹽分、溶解性固體(TDS)、pH值等指標，另1份用于土壤光譜的測定。在土水體積比為1 ∶5的土壤懸濁液中，使用便攜式多參數分析儀Multi 3420 SETB(wissens chaftlich technische werkst?tten，德國)進行指標測定。

測出的土壤參數值統計特征見表1。本研究區含鹽量最大值為69.8 g/kg，最小值為0 g/kg，平均值為20.19 g/kg，變異系數為99.15%，屬強變異，表明土壤鹽分分布很不均勻。土壤樣本的pH值變異系數為8.26%，屬低變異。根據土壤的分級標準，57個樣本中，非鹽漬土樣本為13個，輕、中、重度鹽漬化樣本數分別為11、10、23個。非鹽漬化土壤樣本主要以綠洲內部為主，內部到綠洲與荒漠邊界土壤含鹽量逐漸增加。中、重度鹽漬化土壤分布在研究區的東南部區域。

表1 土壤指標統計特征

注：樣本數=171個。

表2 土壤鹽漬化程度分級標準[22]

1.3 土壤樣本光譜測定

使用FieldSpec3型光譜儀(analytical spectral devices)，波段范圍為350～2 500 nm，光譜采樣間隔分別為 1.4 nm(波段350～1 000 nm區間)和2 nm(波段1 000～2 500 nm區間)，采樣間隔為1 nm，輸出波段數為2 151個。土壤樣本光譜測定在能控制光照條件的暗室內進行，測試之前都要進行白板校正，儀器光源為50 W鹵素燈，天頂角為15°，8°視場角探頭垂直土樣表面，距離為10 cm。每個土樣分別測10次，并取其算術平均值作為該樣品的實際光譜反射率。

1.4 數據預處理與變換

將57個采樣點的表層土壤含鹽量從高到低進行排序，等間隔選取37個作為建模集，20個作為驗證集，分別用于模型的建立以及精度驗證。將通過顯著性檢驗(P<0.01)的波段作為自變量，利用偏最小二乘回歸法(Partial Least-Squares Regression，PLSR)、主成分回歸模型(Principle Component Regression model，PCM)和多元逐步回歸模型(Multiple Stepwise Regression Model，MSRM)建立土壤含鹽量的估算模型，通過對比各模型的決定系數(Determination of Coefficients，R2)、均方根誤差(Root Mean Square Error of Prediction，RMSE)、相對分析誤差(Relative Prediction Deviation，RPD)篩選出最優模型。R2用于判定模型的穩定程度，取值范圍為 0～1，其值越大說明該模型的穩定性越好；RMSE用于表征模型的準確性，其值越小，表明模型的精度越高。另外，當RPD的值小于1.4時，模型基本上可用；當RPD的值在1.4～2.0之間時，模型估算精度一般，RPD值越大于2.0，表明模型的定量預測能力越好[25]。

2 結果與分析

2.1 土壤樣本反射光譜曲線特征

將57個土壤表層樣本反射率以土壤鹽漬化程度分級標準進行分類再求平均，作為不同程度鹽漬化土壤樣本的光譜反射率曲線。從圖2可以看出，4條曲線變化趨勢大致相似，土壤光譜從350～1 300 nm內波段范圍持續上升，至 1 400 nm 處出現一個淺水分吸收谷，之后從1 400～1 850 nm波段范圍內繼續升高，但增加幅度較為平緩，至1 900 nm處再次出現一個深的水分吸收谷。土壤成分含量值在一定程度上決定了土壤光譜曲線反射率值的大小和曲線整體的走勢，含鹽量越高，反射率也高。

2.2 土壤含鹽量與光譜相關性分析

將土壤含鹽量與光譜反射率及其15種變換形式做相關系數在0.01水平上的顯著性檢驗及相關性分析。從圖3可以看出，從土壤含鹽量與光譜的相關性分析來看，反射率一階微分(圖3-b)、反射率二階微分(圖3-c)、對數相反數一階微分(圖3-i)、連續統去除一階微分(圖3-o)、平方根一階微分(圖3-m)、立方根一階微分(圖3-k)與土壤含鹽量數據的整體相關系數較好，并通過顯著性檢驗(P<0.01)。土壤含鹽量與R、1/R、(1/R)′、lgR、1/lgR、連續統去除法、反射率平方根、立方根的相關性較小，沒有通過0.01水平顯著性檢驗的波段。因此，從光譜反射率及其15種變換形式中，遴選出以上5種，只對以上5種光譜反射率變換結果分別與土壤含鹽量進行估算模型的建立與驗證。

結果表明，單個波段所建立的模型很難預測土壤含鹽量，微分變換較好地體現了原始數據中隱晦的光譜信息，相關性得以提升，據此運用光低階微分處理方法，可以篩選出對土壤含鹽量敏感的特征光譜波段[26]。光譜反射率不同變換形式與土壤含鹽量特征波段的選取是選擇相關系數的峰值所對應的光譜波段。

2.3 土壤含鹽量建模

根據以上相關分析結果得到的特征光譜波段，針對本研究的高光譜指數分別建立土壤含鹽量的偏最小二乘回歸模型，主成分回歸模型和多元逐步線性回歸模型。DPS數據處理軟件將57個土壤樣本中隨機選取的37個樣本用于建立模型，以土壤含鹽量作為因變量，以特征波段的光譜反射率作為自變量，分別建立土壤含鹽量的偏最小二乘回歸模型、主成分回歸模型和多元逐步線性回歸模型。運用偏最小二乘回歸模型見表3，主成分回歸模型和多元逐步線性回歸方法的敏感光譜波段與土壤含鹽量之間的預測模型。從表3可以看出，以原始光譜與土壤含鹽量相關性較差，相關性最大的不到 0.2，沒有超過0.01顯著性檢驗線，因此建立的模型擬合精度很差。經過微分變換后，土壤含鹽量與高光譜的相關性有所提高，最大可達到0.47，為挖掘敏感波段呈現良好的效果，建立的模型估算精度較好。所選擇的5種數學變換形式當中，基于連續統去除一階微分模型的決定系數最差，立方根一階微分的最好。根據決定系數R2和相對分析誤差RPD值最大、均方根誤差最小的原則，對于各種變換形式，3種預測模型都是土壤含鹽量立方根一階微分光譜特征波段為自變量時擬合最優，R2值分別為0.68、0.65、0.85。利用多元逐步線性回歸方法建立的模型的精度最高，模型的R2、RPD和RMSE分別達到0.85、2.36、1.8。可以使用這種預測模型來定量反演土壤含鹽量，提取土壤鹽漬化信息。

表3 含鹽量回歸模型

2.4 模型精度檢驗

根據模型的精度參數，對建立的模型進行篩選后發現，RPD≥2的模型只有2個，是基于平方根一階微分和立方根一階微分的多元逐步線性回歸模型建立的模型，其他模型的RPD屬于小于或等于1.5。對模型的R2、RMSE、RPD以及波段數量進行綜合對比發現，基于平方根一階微分和立方根一階微分建立多元逐步回歸模型RPD、RMSE、R2最優且參與建模的波段數量較多(19個和16個)。一階和二階微分模型對驗證樣品的含鹽量決定系數分別為0.34和 0.57，偏離1 ∶1線，模型估算精度不高。連續統去除一階微分模型對驗證樣品的含鹽量決定系數最差，只達到0.08。對3種建模方法而言，基于多元逐步線性回歸方法的模型精度高于其他2個方法的建模精度；利用主成分回歸方法建立的模型精度最低，R2值最高到0.68。對原數據的數學變換后整數階微分而言，一階微分處理增強了原數據的敏感性及建模能力。說明原始數據的平方根一階微分和立方根一階微分一定程度上可以增強光譜對含鹽量的敏感程度，并利用多元逐步線性回歸方法對估算土壤鹽含量具有較好的定量反演能力，且計算量相對較小，因而確定該模型為最優模型(圖4)。

3 結論

在本研究中，通過對土壤含鹽量與高光譜指數之間的相關性分析、3種預測模型的建立以及模型精度驗證，可以得出以下結論。

在不同鹽漬化水平下，土壤的光譜特征在形態上趨于一致；在整個波譜區間，土壤的光譜反射率隨鹽漬化程度的加重呈現增加趨勢。

對原始高光譜數據的15種數學變換中，利用微分處理是體現光譜數據敏感波段效率好，經微分變換后的高光譜指數與土壤含鹽量進行相關性分析，篩選出對土壤含鹽量變化響應的敏感波段，構建基于偏最小二乘回歸、主成分回歸和多元逐步線性回歸的土壤鹽分監測模型。結果表明，立方根一階微分變換形式為構建預測模型的最佳光譜指標。

對土壤含鹽量的3種回歸模型預測效果進行檢驗，比較實測值與預測值的相關關系。結果表明，多元逐步線性回歸模型的穩定性和預測精度高于其他2種回歸模型，證明了該方法的普適性。

本研究運用偏最小二乘回歸、主成分回歸和多元逐步線性回歸模型在實驗室內對干旱區土壤鹽分含量的測定，對比3種回歸方法所建立模型的精度，發現多元逐步線性回歸模型的預測精度最高。但影響土壤光譜反射率是土壤的粒徑、粗糙度和水分含量等多種因素的綜合反映。在今后的研究中要考慮這些因素的影響。